Авторы

Метод классификации перемешивающих устройств с использованием глубоких нейронных сетей с расширенным рецептивным полем

Представлены результаты исследования, целью которого являлась разработка метода и программного инструментария для определения класса перемешивающего устройства по показателю его коэффициента сопротивления на основе обработки экспериментальных данных. В настоящее время основными методами исследования перемешивающих устройств являются методы конечных элементов, а также процедуры оценки параметров турбулентного переноса с использованием лазерной доплерометрии и химического анализа проб. Указанные методы предполагают наличие дорогостоящего оборудования и обеспечивают при этом результаты только для отдельных типов оборудования. Это затрудняет распространение полученных выводов на широкий класс устройств с различной конструкцией перемешивающего винта. Предлагаемый метод подразумевает обработку результатов эксперимента, в рамках которого на дне заполненного прозрачной жидкостью сосуда расположен точечный источник света, формирующий направленный вертикально вверх луч. В сосуд помещается перемешивающее устройство с изменяемой частотой вращения. Далее применяется двухканальная обработка видеосигнала на поверхности перемешиваемой жидкости и временной последовательности, характеризующей изменение частоты вращения лопастей устройства. В каналах предложено использовать нейронные сети различных архитектур: в одном канале сверточную, а в другом – рекуррентную сеть. Результаты функционирования каждого канала обработки данных агрегируются на основе мажоритарного правила. Новизна предлагаемого метода с вычислительной точки зрения заключается в расширении рецептивного поля для каждой из сетей за счет взаимного преобразования изображений и временных последовательностей. В результате каждая из сетей обучается на большем объеме данных с целью выявления скрытых закономерностей. Это в конечном итоге приводит к повышению точности классификации, что подтверждается результатами апробации предложенного метода с использованием разработанного в среде MatLab программного приложения. Читать дальше...

Метод прогнозирования оттока клиентов банка на основе ансамблевой модели машинного обучения

Представлены результаты исследований, целью которых была разработка метода прогнозирования оттока клиентов коммерческого банка на основе применения моделей машинного обучения (в том числе глубоких искусственных нейронных сетей) для обработки клиентских данных, а также создание программных инструментов, реализующих указанный метод. Объектом исследования является коммерческий банк, а предметом исследования – его деятельность в B2C-сегменте, включающая коммерческое взаимодействие бизнеса и частных лиц. Актуальность выбранного направления исследований определяется активизацией деятельности банков в сфере внедрения цифровых сервисов по сокращению неоперационных расходов, связанных, в частности, с удержанием клиентов, так как затраты на привлечение новых клиентов значительно выше, чем на сохранение уже имеющихся. Научную новизну результатов исследований составляет разработанный метод прогнозирования оттока клиентов коммерческого банка, а также алгоритм, положенный в основу программного обеспечения, реализующего предложенный метод. В основе предложенной ансамблевой модели прогнозирования лежит три алгоритма классификации: k-средних, случайный лес и многослойный персептрон. Для агрегации выходов отдельных моделей предложено использовать обучаемое дерево систем нечеткого вывода типа Мамдани. Обучение ансамблевой модели выполняется в два этапа: сначала обучаются перечисленные три классификатора, а потом, на основе получаемых на их выходах данных, обучается дерево систем нечеткого вывода. Ансамблевая модель в предложенном методе реализует статический вариант прогноза, результаты которого используются в динамическом прогнозе, выполняемом в двух вариантах – на основе рекуррентного метода наименьших квадратов и на основе сверточной нейронной сети. Проведенные модельные эксперименты на синтетическом наборе данных, взятых с сайта Kaggle, показали, что ансамблевая модель имеет более высокое качество бинарной классификации, чем каждая модель в отдельности. Читать дальше...